GPT-6 아스트라 총정리 - 가격, 벤치마크, 사이버보안 '중대' 등급까지

오픈AI가 2026년 9월 3일 GPT-6 아스트라를 공개했다. 공개 열흘 사이에 국내에서는 수능 450점 만점 소식이 가장 크게 돌았고, 해외 업계에서는 사이버보안 위험 '중대(Critical)' 등급 얘기가 가장 크게 돌았다. 같은 모델인데 화제의 축이 완전히 다르다.

나는 이 모델을 업무 기본값으로 바꿀지 결정해야 하는 입장에서 발표 자료를 읽었다. 결론부터 쓰면, 컴퓨터 조작과 긴 문서 작업 비중이 큰 사람에게는 값을 하고, 질의응답 위주라면 출력 요금을 감당할 이유가 약하다. 왜 그런지 순서대로 정리했다.

---

무엇이 어떻게 열렸나

아스트라는 9월 3일 일부 조직에 제한적 미리보기로 먼저 열렸고, 이후 며칠에 걸쳐 챗GPT 플러스·프로·비즈니스·엔터프라이즈와 오픈AI API, 마이크로소프트 애저, AWS 베드록으로 순차 배포됐다. API 모델명은 gpt-6-astra다.

실무에서 걸리기 쉬운 지점이 하나 있다. 엔터프라이즈는 출시 시점에 접근이 기본 비활성이다. 관리자가 워크스페이스에서 켜지 않으면 팀원 계정에는 아예 안 보인다. "내 계정에 아스트라가 없다"는 얘기가 나오면 요금제보다 이걸 먼저 확인하는 게 빠르다. 프로·비즈니스·엔터프라이즈는 상위 버전인 GPT-6 Astra Pro도 함께 쓸 수 있다.

데이터 쪽은 적격 API 고객에게 Zero Data Retention을 지원하고, 안전 모니터링을 유지하면서 고객 프라이버시를 보존하는 Private Safety Processing을 테스트 중이라고 밝혔다.

 

배경도 한 줄 짚고 갈 만하다. 2026년 7월 허깅페이스 사건 이후 오픈AI가 차기 모델 출시를 늦추고 안전장치를 보강했다는 건 공식 발표문에도 언급돼 있다. 실제로 아스트라 발표문은 절반 가까이가 성능이 아니라 안전·정렬 내용이다. 이건 마케팅 톤이 바뀐 게 아니라 등급이 바뀐 결과다. 뒤에서 다시 다룬다.

---

요금: 출력이 비싸다

구분	요금
API 입력	100만 토큰당 $10
API 출력	100만 토큰당 $50
캐시 읽기·쓰기	별도 요율
Fast 모드	표준 대비 최대 2배 속도, 2배 가격
챗GPT 구독	기존 할당량 내 포함, 추가는 크레딧 구매

출력 100만 토큰이 $50이면 1달러 1,400원 기준 약 7만 원이다. 입출력 비율이 1:5라는 게 요점이다. 짧게 묻고 짧게 받는 작업은 부담이 적고, 에이전트가 스스로 여러 단계를 돌면서 중간 산출물을 계속 뱉는 작업은 비용이 빠르게 붙는다.

그래서 모델 선택은 "최신인가"가 아니라 이 네 가지로 봐야 한다.

• 작업 난이도
• 틀렸을 때의 실패 비용
• 처리량
• 예산

 

실패 비용이 높고 재작업이 비싼 작업(계약서 검토, 마이그레이션, 프런트엔드 QA)에는 상위 모델이 오히려 싸다. 반대로 대량 분류나 요약처럼 실패해도 다시 돌리면 되는 작업에 아스트라를 기본값으로 박아두면 청구서가 먼저 반응한다.

---

벤치마크: 강한 곳과 안 강한 곳

전부 오픈AI 자체 발표 수치이고 각 항목의 최대 노력(effort) 설정 기준이다. 비교 대상도 오픈AI가 고른 것이라는 전제를 깔고 봐야 한다.

항목	GPT-6 아스트라	GPT-5.6 솔	클로드 페이블 5.1	클로드 오푸스 5	제미나이 3.8 플래시
FrontierMath Tier 4 (v2)	97.6%	83.0%	87.8%	73.2%	-
ARC-AGI-3	99.9%	7.8%	-	30.2%	-
ARC-AGI-2	95.0%	92.5%	90.0%	90.4%	-
GPQA Diamond	96.0%	94.6%	93.7%	93.7%	95.3%
Terminal-Bench 4.0	57.9%	37.3%	55.8%	52.6%	19.1%
Terminal-Bench Science 0.1	64.6%	22.4%	52.6%	30.0%	-
OSWorld 2.0 (오프라인 셋)	72.6%	65.7%	-	70.2%	-
ScreenSpot-Pro (도구 없음)	92.7%	76.9%	-	-	-
Agents' Last Exam	59.3%	53.6%	-	55.5%	-
AutomationBench	41.4%	18.1%	31.4%	26.9%	-
BenchCAD	95.9%	83.3%	84.3%	82.1%	-
DeepSWE v1.1	74.1%	72.7%	67.4%	73.7%	73.8%
Humanity's Last Exam (도구 포함)	57.2%	-	65.0%	63.6%	-
Artificial Analysis 지능지수 v4.1.1	61.2	60.9	65.7	63.1	58.7
Artificial Analysis 코딩 에이전트 v1.4	67.0	65.1	-	68.1	61.2

표 아래쪽 세 줄을 일부러 남겼다. 아스트라는 개별 과제 대부분에서 1위지만, Humanity's Last Exame(57.2%)에서는 클로드 페이블 5.1(65.0%)에 밀리고, 제3자인 Artificial Analysis 종합 지능지수에서는 61.2로 페이블 5.1(65.7)·오푸스 5(63.1)보다 낮다. 코딩 에이전트 지수도 오푸스 5(68.1)가 위다.

이건 "아스트라가 무조건 제일 똑똑하다"는 요약이 왜 위험한지 보여준다. 벤치마크는 무엇을 측정하느냐에 따라 순위가 바뀐다. 아스트라가 확실히 강한 건 터미널·컴퓨터·브라우저를 직접 조작해서 끝까지 완수하는 계열이다. ARC-AGI-3에서 99.9%, 솔이 7.8%였던 항목이라 격차가 비현실적으로 보이는데, ARC Prize Foundation 측은 96% 레벨에서 인간 행동 효율 기준선을 넘어 사실상 인간 수준에 도달했다고 코멘트했다.

참고로 발표문 본문은 FrontierMath Tier 4를 98%로, 같은 페이지 비교표는 97.6%로 적고 있다. 같은 문서 안에서 숫자가 미세하게 엇갈리니 인용할 때 어느 쪽을 쓰는지 밝히는 게 낫다.

 

숫자보다 체감에 가까운 지표

개인적으로는 정확도보다 이쪽이 더 중요해 보였다.

• OSWorld 2.0 지연 시뮬레이션: 아스트라는 과제당 약 40분에 72.6%, GPT-5.6 솔은 약 75분에 65.7%. 과제당 시간이 약 47% 줄었다
• Mind2Web: Codex 하네스 개선까지 합쳐 현재 솔 경험 대비 1.9배 빠른 완료
• 긴 컨텍스트: MRCR v2 8-니들 512K~1M 구간에서 96.3%(솔 73.8%). 256K~512K는 100%
• 토큰 효율: Agents' Last Exam 최고 점수 설정에서 클로드 오푸스 5보다 출력 토큰을 약 65% 적게 썼다고 밝혔다. Higgsfield AI는 테스트한 다른 모델보다 최대 20% 적은 토큰으로 복잡한 크리에이티브 워크플로를 완수했다고 코멘트했다

"정확도 몇 % 올랐다"보다 "같은 일을 절반 시간에 끝낸다"가 실무에서 체감이 크다. 에이전트형 작업은 대기 시간이 곧 비용이다.

 

실제로 뭘 하나

발표문에 붙은 데모 항목이 이 모델의 성격을 가장 잘 보여준다. 온라인 양식 작성, CRM 고객 레코드 갱신, 캘린더 정리 같은 잡무부터, KiCad에서 회로도를 제조 가능한 PCB 레이아웃으로 변환(2분 54초), Blender로 집을 모델링해 언리얼 엔진 5에서 걸어다닐 수 있는 장면으로 전환, Form 1040 작성, Power BI, 법률 문서 서식, 프런트엔드 QA 체크까지 나열돼 있다.

문서 작업 쪽도 손봤다. 기존 템플릿을 지켜 슬라이드·문서·스프레드시트를 만드는 데 자사 최고 모델이라고 밝혔고, 작업에 불필요한 정보를 반복하지 않고 필요한 컨텍스트만 끌어오도록 훈련했다고 한다. Sites in ChatGPT로는 프롬프트에서 웹사이트·웹앱·게임을 만들고 호스팅·공유까지 된다.

 

Codex 쪽 변화도 짚어둘 만하다. 기존 모델은 컨텍스트 윈도가 차면 압축(compaction)으로 요약해왔는데, 그 과정에서 "왜 이 수정이 실패했는지" 같은 디테일이 날아갔다. 아스트라는 컨텍스트 윈도를 넘어가며 노트를 유지하고 이전 윈도도 검색 가능하게 둔다. 지금은 config.toml 실험 플래그로 켜야 하고, 수 주 내 기본값이 될 예정이다. 긴 리팩터링이나 장시간 디버깅을 돌리는 사람에게는 벤치마크 몇 % 보다 이쪽이 체감이 클 수 있다.

 

과학 쪽에서는 소수 간격(prime gaps) 결과 2건을 함께 공개했다. 소수 쌍이 무한히 자주 나타나는 최소 간격 상한이 10년 넘게 246이었고 최근 240으로 개선됐는데, 아스트라가 이를 186까지 좁히는 데 기여했다고 밝혔다. 80년 넘게 바뀌지 않았던 큰 간격 쪽 항도 개선했다고 한다. 증명과 요약된 사고 과정을 함께 공개했다.

한 가지 덧붙이면, 아스트라가 '순환 깊이(recurrent depth)' 또는 '루프 트랜스포머'라는 새 추론 기법을 쓴다는 설명이 위키백과에 올라와 있다. 다만 이건 오픈AI 공식 발표문에서는 확인되지 않는 내용이라 확정으로 읽지 않는 게 좋다.

---

국내 화제: 수능 450점 만점, 조건을 같이 봐야 한다

국내에서 가장 크게 돈 건 이 숫자였다. '2026 수능 LLM 풀이 대시보드'에서 아스트라가 국어 100점, 수학 100점, 영어 100점, 한국사 50점에 탐구 4과목(물리Ⅰ·화학Ⅰ·생명과학Ⅰ·사회문화)까지 합산해 총점 450점 만점으로 1위에 올랐다.

임팩트 있는 숫자지만 전제가 붙는다.

• 이 대시보드는 순천향대학교 컴퓨터소프트웨어공학과 학생이 직접 개발·운영하는 민간 프로젝트다. 한국교육과정평가원 공식 평가가 아니다
• 각 모델 공식 API로 진행하며, 별도 시스템 프롬프트나 검색·계산기 같은 외부 도구를 주지 않는다
• 한 문항씩 주는 '일반 모드'와 과목별 전 문항을 한 번에 주는 '고난도 모드'로 구성된다
• 올해 2월 제미나이 3.1 프로, 3월 GPT-5.4도 만점을 기록한 적이 있다. 차이는 당시엔 실제 수험생처럼 탐구 2과목만 평가했다는 점이다. 두 모델 모두 화학Ⅰ·생명과학Ⅰ에서는 만점이었지만 물리Ⅰ과 사회문화에서는 만점에 실패했다. 아스트라는 탐구 4과목을 다 풀고 450점을 채웠다
• 2~4위 점수는 매체별 표기가 엇갈린다. 같은 기사 안에서도 GPT-5.6 솔 점수가 다르게 적힌 경우가 있었다. 순위표 숫자를 그대로 인용하는 건 권하지 않는다

정확한 표현은 "이 채점 방식으로는 최초"다. 그리고 이 대시보드에서 보고된 토큰 사용량이 오히려 흥미로웠다. 247개 문항을 푸는 데 입력 22만 5,785개, 출력 13만 749개, 합계 약 35만 6,534개 토큰을 썼다고 공개됐다. 정답률만큼 효율도 같이 봤다는 뜻이다.

무엇보다 수능형 시험은 정답이 하나로 정해진 문제를 맞히는 능력을 측정한다. 오픈AI가 아스트라 발표에서 힘을 준 지점은 거기가 아니었다.

---

발표문의 절반은 안전 얘기다: '중대' 등급

해외 업계가 주목한 건 이쪽이다. 오픈AI는 아스트라가 자사 준비성 프레임워크(Preparedness Framework)상 사이버보안 위험 '중대(Critical)' 임계를 넘었다고 직접 밝혔다. 이 등급은 추가 배포 제한 조치를 적용하는 기준선이다.

공개된 수치는 이렇다. 모두 프로덕션 안전장치를 끈 상태의 평가다.

평가	아스트라	GPT-5.6 솔
ExploitBench	100.0%	78.5%
ExploitGym	42.4%	30.3%
ExploitBench (2026.6~8)	39.0%	5.5%
SRE-Bench (1회 시도)	88.0%	55.9%
SRE-Bench (4회 이내)	99.2%	68.7%
SEC-Bench Pro	85.4%	79.1%

 

벤치마크 오염 우려 때문에 최근 3개월 취약점으로 새로 만든 'ExploitBench (2026.6~8)'가 특히 중요하다. 13개 크롬 정식 릴리스에 걸친 고심각도 V8 취약점 20건으로 구성된 내부 평가인데, 이 평가 도중 아스트라가 기존에 알려지지 않은 제로데이 2건을 스스로 발견해 사용했다. 오픈AI는 두 취약점을 메인테이너에게 공개했다고 밝혔다. SRE-Bench는 소스 코드 없이 바이너리를 역공학해 핵심 로직을 파악하는 능력을 본다.

 

전문가 주도 평가에서는 안전장치 없는 아스트라가 하드닝된 브라우저에서 미공개 취약점으로 임의 코드 실행을, 하드닝된 OS에서 권한 상승 익스플로잇을 만들어낼 수 있었다.

그래서 일반 사용자 버전은 PoC 익스플로잇 생성 같은 고도화된 공격 작업을 거부한다. 보안 코드 리뷰와 패치는 가능하다. 이 제한은 몇 주 안에 'OpenAI Daybreak' 프로그램을 통해 검증된 보안 전문가에게 완화될 예정으로, 취약점·PoC 검증, 멀웨어 분석, 탐지 엔지니어링 같은 방어 워크플로가 열린다.

 

여기서 현실적인 부작용도 미리 알아두는 게 좋다. 오픈AI는 아스트라급 모델에 오정렬 모니터링을 프로덕션에서 운영한다고 밝혔고, 추가 안전 검사가 정상적인 작업을 늦추거나 중단시킬 수 있다고 명시했다. 챗GPT나 Codex에서 작업이 일시 정지되면 사용자가 액션을 검토하라는 요청을 받고, API에서는 작업이 그냥 멈춘다. 방어 목적의 보안 업무를 하는 사람이라면 이 지점이 실제 걸림돌이 될 수 있다.

 

정렬 수치는 개선, 모니터링 가능성은 후퇴

정렬 쪽은 수치가 좋다. 허깅페이스 사건을 반영해 만든 평가에서, 어렵거나 불가능한 과제를 받았을 때 승인된 범위를 넘어서는 비율이 GPT-5.6 솔은 48%였는데 아스트라는 0%였다.

정렬 평가(낮을수록 좋음)	아스트라	GPT-5.6 솔
내부 컴퓨터 사용 안전 벤치마크	2.4%	22.0%
위 + AutoReview 병용	1.8%	4.3%
내부 우회 시도 벤치마크	0.00%	0.29%
ExploitGym 허니팟	0.0%	48.2%
내부 환각(능력 허위 주장) 벤치마크	4.2%	12.2%

 

Codex Auto-Review 거부를 우회하려 시도한 적이 없고, Auto-Review를 일부러 우회 가능하게 설정하고 그러지 않으면 과제를 완수할 수 없게 만든 조건에서도 그랬다고 밝혔다.

 

그런데 오픈AI가 스스로 인정한 항목이 하나 있다. 아스트라의 서술된 추론이 GPT-5.6 솔보다 모니터링하기 어려워졌다. 모니터링을 회피하라고 명시적으로 지시한 테스트 기준이며, 아스트라가 단순 과제에서 서술 추론을 더 잘 통제하고 더 적은 단계로 문제를 풀기 때문이라고 설명했다. 복잡한 과제에 필요한 추론은 여전히 숨기기 어려워 보이지만, 이 하락을 심각하게 받아들이고 있고 모니터링 가능성 개선이 계속 연구 우선순위라고 덧붙였다.

능력은 올라갔고, 그 능력을 들여다보는 창은 좁아졌다. 이 한 문장이 아스트라 발표에서 가장 중요한 대목이라고 생각한다.

---

공개 이후 열흘

시장 반응도 짧게 정리해둔다. 아래는 국내 매체 보도 기준이고 오픈AI 공식 발표가 아니다.

• 수요가 급증해 오픈AI가 유료 신규 가입 일시 중단을 검토했다는 보도가 나왔다
• 앤트로픽이 클로드 맥스의 주간 사용량을 초기화하며 맞대응했다는 보도가 있었다
• 코드 아레나 웹개발 부문에서 아스트라가 1위에 올랐다는 보도가 있었다
• 사람 개입 없이 3D 게임을 공략했다는 실험 보도도 나왔다

이 항목들은 헤드라인 수준으로만 확인한 내용이라, 인용하려면 각 기사 본문을 직접 확인하는 게 맞다.

---

그래서 바로 바꿀 만한가요?

바꿀 이유가 있는 경우

• 컴퓨터·브라우저 조작을 실제로 시키는 에이전트 워크플로를 돌린다. OSWorld·ScreenSpot-Pro·AutomationBench 격차가 가장 큰 영역이고 과제당 시간이 47% 줄었다
• 긴 세션 디버깅이나 대규모 리팩터링을 한다. Codex 노트 유지 기능이 압축 손실을 줄인다
• 템플릿을 지켜야 하는 문서·슬라이드·스프레드시트 산출물이 많다
• 512K 이상 긴 컨텍스트를 실제로 쓴다

서두를 이유가 약한 경우

• 질의응답·요약·분류 위주. 출력 100만 토큰당 $50을 정당화하기 어렵다
• 순수 지능 지표를 중시한다. Artificial Analysis 지수와 Humanity's Last Exam에서는 클로드 계열이 위다
• 방어 목적 보안 업무 비중이 높다. 오정렬 모니터링이 정상 작업을 중단시킬 수 있다고 오픈AI가 직접 명시했고, 완화는 Daybreak를 기다려야 한다
• 조직 계정이라 관리자 승인부터 필요하다

나는 일단 기본값을 바꾸지 않았다. 대신 컴퓨터 조작이 필요한 작업 하나를 골라 아스트라로 돌려보고 시간과 토큰을 같이 기록하는 쪽을 택했다. 정확도보다 같은 결과를 얼마나 싸고 빠르게 내는지가 이번 세대의 실제 쟁점이기 때문이다.

※ 이 글의 수치는 2026년 9월 12일 기준 오픈AI 공개 자료와 국내외 보도를 정리한 것이다. 벤치마크와 요금은 변경될 수 있다.

※ 수능 450점은 개인이 운영하는 민간 프로젝트 결과이며 한국교육과정평가원 공식 평가가 아니다. 표의 벤치마크는 전부 오픈AI 자체 발표 수치이고 비교 대상도 오픈AI가 선정했다.